摘要： 概述 贝叶斯神经网络是一类神经网络模型，模型的参数不是固定的值，而是分布，如$(图1)$所示。这样设置，我们就能够对数据和模型的不确定性（uncertainty）进行评估。例如有一个函数$f(x)=y$，当函数$f$确定时，输入$x$能得到唯一确定的y，如果我们调整$f$，得到的$y$就会发生变化。 阅读全文

摘要： 引言 前面三篇文章介绍了变分推断（variational inference），这篇文章将要介绍变分自编码器，但是在介绍变分自编码器前，我们先来了解一下传统的自编码器。 自编码器 自编码器（autoencoder）属于无监督学习模型（unsupervised learning），更严格地说属于自监督 阅读全文

摘要： SVI变分推断的前两篇介绍了变分推断的构造方法、目标函数以及优化算法CAVI，同时上一篇末尾提到，CAVI并不适用于大规模的数据的情况，而这一篇将要介绍一种随机优化（stochastic optimization）的方法。这种优化方法与随机梯度下降（Stochastic Gradient Desce 阅读全文

摘要： 贝叶斯推断由上一篇我们已经了解到，对于未知的分布或者难以计算的问题，我们可以通过变分推断将其转换为简单的可计算的问题来求解。现在我们贝叶斯统计的角度，来看一个难以准确计算的案例。 推断问题可以理解为计算条件概率$p(y|x)$。利用贝叶斯定理，可以将计算条件概率（或者说后验概率，posterior） 阅读全文

摘要： 引言GAN专题介绍了GAN的原理以及一些变种，这次打算介绍另一个重要的生成模型——变分自编码器（Variational AutoEncoder，VAE）。但在介绍编码器之前，这里会先花一点时间介绍变分推断（Variational Inference，VI），而这一小系列最后还会介绍贝叶斯神经网络—— 阅读全文